管理舞弊风险评价模型对比及改进研究--基于2008年至2012年舞弊上市公司经验证据
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 目录 | 第7-9页 |
| 1 绪论 | 第9-14页 |
| 1.1 研究的背景和意义 | 第9-10页 |
| 1.1.1 研究背景 | 第9页 |
| 1.1.2 研究意义 | 第9-10页 |
| 1.2 研究的内容及方法 | 第10-12页 |
| 1.2.1 研究的内容 | 第10-12页 |
| 1.2.2 研究的方法 | 第12页 |
| 1.3 本文的贡献 | 第12-14页 |
| 2 文献综述 | 第14-25页 |
| 2.1 管理舞弊概念的界定 | 第14-15页 |
| 2.2 管理舞弊动机理论 | 第15-16页 |
| 2.2.1 国外研究文献 | 第15页 |
| 2.2.2 国内研究文献 | 第15-16页 |
| 2.3 管理舞弊识别信号研究 | 第16-20页 |
| 2.3.1 国外研究文献 | 第16-18页 |
| 2.3.2 国内研究文献 | 第18-20页 |
| 2.4 管理舞弊识别方法研究 | 第20-24页 |
| 2.4.1 国外研究文献 | 第20-22页 |
| 2.4.2 国内研究文献 | 第22-24页 |
| 2.5 文献述评 | 第24-25页 |
| 3 管理舞弊风险评价模型的对比与选择 | 第25-29页 |
| 3.1 管理舞弊风险评价模型的介绍 | 第25-27页 |
| 3.1.1 Logistic 回归模型 | 第25-26页 |
| 3.1.2 人工神经网络模型（ANN） | 第26页 |
| 3.1.3 SVM 支持向量机 | 第26-27页 |
| 3.2 管理舞弊风险评价模型的对比 | 第27-29页 |
| 4 样本和变量选择 | 第29-39页 |
| 4.1 样本的选择 | 第29-30页 |
| 4.1.1 数据来源 | 第29页 |
| 4.1.2 样本的确定 | 第29-30页 |
| 4.2 变量的选取和指标体系的构建 | 第30-34页 |
| 4.2.1 变量的选取 | 第30-32页 |
| 4.2.2 指标体系的建立及描述性统计结果 | 第32-34页 |
| 4.3 数据归一化和指标相关性分析 | 第34-39页 |
| 4.3.1 数据归一化处理 | 第34页 |
| 4.3.2 指标相关性分析 | 第34-36页 |
| 4.3.3 主成分分析 | 第36-39页 |
| 5 管理舞弊风险评价模型的构建与比较 | 第39-51页 |
| 5.1 Logistic 回归模型 | 第39-41页 |
| 5.1.1 模型构建及结果分析 | 第39-41页 |
| 5.1.2 模型稳健性检验 | 第41页 |
| 5.2 神经网络模型 | 第41-46页 |
| 5.2.1 神经网络模型构建思路 | 第41-43页 |
| 5.2.2 BP 神经网络构建及结果分析 | 第43-44页 |
| 5.2.3 LVQ 神经网络构建及结果分析 | 第44-46页 |
| 5.3 SVM 支持向量机 | 第46-47页 |
| 5.3.1 SVM 支持向量机结构图 | 第46页 |
| 5.3.2 SVM 模型判别结果分析 | 第46-47页 |
| 5.4 管理舞弊风险评价模型的对比分析 | 第47-48页 |
| 5.5 管理舞弊风险评价模型的改进 | 第48-51页 |
| 5.5.1 基于多分类器叠加的综合风险评价模型 | 第48页 |
| 5.5.2 综合风险评价模型工作路径 | 第48-49页 |
| 5.5.3 综合风险评价模型的评价结果及分析 | 第49-51页 |
| 6 研究结论 | 第51-53页 |
| 6.1 研究结论 | 第51-52页 |
| 6.2 研究展望 | 第52-53页 |
| 致谢 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 附录 1 | 第58-65页 |
| 附录 2 | 第65-72页 |
| 附录 3 | 第72页 |
